מחקר על זיהוי דפוס במראות נחושת מתקופת שושלת סונג מבוסס MOEAD

מדוע מראות עתיקות נפגשות עם מכונות מודרניות

דמיינו שימוש במצלמת הטלפון כדי לזהות מיד אילו יצורי-מיתוס חרוטים על מראה ברונזה בת אלף שנים. המחקר הזה מקרב את החזון הזה למציאות. המחברים משלבים תוכנה מתקדמת לזיהוי תמונה עם אסטרטגיית אופטימיזציה חכמה כדי לזהות אוטומטית עיצובים של בעלי חיים על מראות ברונזה מתקופת סונג, ובכך לסייע לאוצרות, לארכיאולוגים ולציבור לחקור אוצרות תרבותיים במהירות ובדיוק רב יותר.

מאירים על מראות ברונזה מתקופת סונג

מראות ברונזה היו חפצים יום-יומיים בסין הקדומה, אך גם נשאו משמעות חברתית ורוחנית עמוקה. בתקופת סונג גביהן היו מעוטרות בסצנות מורכבות: דרקונים ופרינוקסים, עגורונים וצבי-ים, אריות וצבאים — כל אחד טעון בסמלים על כוח, מזל ואמונה. התגלו כמויות רבות של מראות אלו בחפירות, אך זיהוי הדפוסים המפורטים שלהם נשען במשך זמן רב על עיני מומחים — גישה איטית, סובייקטיבית וקשה להרחבה. המחברים טוענים שאם מחשבים יוכלו לזהות את המוטיבים בעקביות, הדבר יאפשר קטלוג אחיד יותר, שימור דיגיטלי וסוגים חדשים של ניתוח תרבותי.

הפיכת מוטיבים לנתונים שהמחשב יכול לקרוא

כדי ללמד מחשב "לראות" את העיצובים הללו, הצוות אסף תחילה מאגר תמונות ייעודי של 140 מראות ברונזה מתקופת סונג הכולל 14 סוגי בעלי חיים, מדרקונים ופרינוקסים ועד דגים, נמרים וברווזי מאנדרין. כל תמונה תויגה בקפידה לפי המוטיב וחולקה לערכות אימון, אימות ובדיקה. מאחר שהמאגר קטן וכמה בעלי חיים נדירים, החוקרים הרחיבו את חומר האימון באמצעות טרנספורמציות שיטתיות — חיתוך, היפוך, סיבוב, שינוי צבע ובהירות, ואפילו מחיקת חתיכות קטנות. וריאציות אלה מטפלות בדרכים שבהן חפצים אמיתיים עלולים להיראות בתנאי תאורה שונים, זוויות צילום שונות או בלאי, ועוזרות לדגם ללמוד את מהות כל מוטיב במקום לשנן כמה דוגמאות מושלמות בודדות.

כיצד מערכת הזיהוי החכמה פועלת

בלב המערכת עומד מודל למידה עמוקה בשם ResNet50, סוג של עין דיגיטלית שלומדת להפיק דפסים חזותיים מתמונות. העיצוב שלו כולל חיבורי "קיצור" שמאפשרים למידע לזרום דרך שכבות רבות בלי לאבד אותן, מה שמאפשר ללכוד גם פרטים שטחיים עדינים וגם צורות ברמת על. מעל לכך, המחברים מציגים אסטרטגיה ממחשוב אבולוציוני הידועה כ-MOEA/D. במקום לנחש את הגדרות האימון ידנית, הם מאפשרים לאוכלוסייה וירטואלית של הגדרות מועמדות "להתפתח" על פני עשרות סבבים. כל מועמד נשפט לפי מספר מטרות בו-זמנית: שמירה על שגיאות ניבוי נמוכות, מקסום דיוק בין התוויות ושימור יציבות התנהגותית. עם הזמן האלגוריתם מתכנס לשילובים של מהירות למידה וחוזק רגולריזציה שנותנים את הפשרה הטובה ביותר בין דיוק לאמינות.

הבאת המערכת למבחן

החוקרים השוו אז את המודל המותאם שלהם עם שלוש חלופות פופולריות: VGG16, EfficientNet-B0 וגרסה לא מותאמת של ResNet50. כל המודלים אומנו על אותן תמונות מראות ונבחנו על דוגמאות שלא נראו קודם. המערכת המותאמת בלטה. היא השיגה דיוק המינג — מדד למידת העקביות בתחזיות עבור כל תווית — של יותר מ־94% בערכת האימות ולמעלה מ־91% בערכת הבדיקה, והציגה ביצועים טובים יותר מהרשתות האחרות. כמו כן היא הראתה ביצועים חלקים יותר בין קטגוריות, והימנעה מתבנית שבה כמה בעלי חיים מזוהים כמעט באופן מושלם בעוד אחרים נעלמים לחלוטין. ניסויים נוספים, כולל מבחנים סטטיסטיים ובדיקות החסרה שמסתירות חלקים מהתמונה, הצביעו על כך שההשגים אינם מקריים: המודל באמת מתמקד באזורי המוטיב ופועל כך באופן חזרתי, אפילו עבור כמה מהבעלי חיים הנדירים יותר.

מה משמעות הדבר עבור המורשת התרבותית

ללא-מומחים, המסקנה פשוטה: המחקר מראה כי בינה מלאכותית מכוונת היטב יכולה לזהות בעלי חיים על מראות ברונזה בת מאות שנים באופן אמין, עם עלות חישובית נוספת מינימלית ותלות פחותה בהחלטת מומחים בלבד. אמנם המודל עדיין מתקשה עם מוטיבים נדירים מאוד או ויזואלית דומים, אך כבר כיום הוא מציע כלי מעשי למוזיאונים ולחוקרים להאיץ קטלוג ולתמוך בארכיונים דיגיטליים. ככל שיאספו מאגרים גדולים יותר של תמונות והמתודולוגיה תתחדד — אולי עם יצירת נתונים חזקה יותר והמחשות מסבירות יותר — ניתן יהיה להרחיב גישות דומות לחפצים אחרים, מאבנים מגולפות ועד טקסטילים מצוירים, ולחשוף את המבנה הלא נראה של העבר החומרי שלנו לחוקרים ולציבור הרחב.

ציטוט: Feng, Q., Yu, K., Li, Y. et al. Research on Song dynasty copper mirror pattern recognition based on MOEAD. npj Herit. Sci. 14, 158 (2026). https://doi.org/10.1038/s40494-026-02413-x

מילות מפתח: מראות ברונזה מתקופת סונג, בינה מלאכותית במורשת תרבותית, זיהוי דפוס בתמונות, אופטימיזציה בלמידה עמוקה, סיווג מוטיבים של חפצים